Bethge Lab 是图宾根大学（University of Tübingen）与图宾根 AI 中心（Tübingen AI Center）下属的机器学习研究组，由 Matthias Bethge 领导，属于学术性、非营利研究团队。该实验室以开放方式开展工作，并与非营利组织 Open Athena 紧密合作，后者致力于将前沿 AI 能力引入学术界。
主要研究方向 实验室的核心主题是“持续自我改进”（continual self-improvement），即研究智能体如何在使用过程中变得更好。具体关注 AI 系统在部署到真实用户手中之后，如何通过上下文学习（in-context learning）、记忆（memory）、模型合并（merging）、基于使用的微调（fine-tuning on use）等机制持续学习，而不仅仅局限于实验室环境。
实验室列出三个重点研究方向：
- 递归自我改进（Recursive Self-Improvement）：AI 系统能否构建出后续的 AI 系统？
- AI 时代的人类学习（Human Learning in the Age of AI）：人们如何最好地使用持续演进的 AI 智能体？
- 神经科学基础模型（Foundation Models for Neuroscience）：用我们记录到的每一个神经元训练出的模型，能教给我们关于大脑的什么知识？
代表性研究成果 实验室公开了多项研究，包括：
- PostTrainBench：LLM 智能体能否自动化 LLM 后训练？探讨 AI 智能体能否完全自主地对 AI 模型进行后训练。
- AlgoTune：语言模型能否加速通用数值程序？探讨 AI 智能体能否发明真正更快的算法。
- ONEBench：面向开放式能力的样本级基准测试，让评估随被测模型一起成长。
- QVal：低成本评估长时程 LLM 智能体的密集监督信号，教智能体识别哪些步骤真正有帮助，从而从长时程真实任务中学习。
- DeepGaze3.5-VL：通过自回归 token 预测建模眼动路径，用当今的基础模型预测人们看向何处。
- openretina 项目：跨数据集、跨物种的协作式视网膜建模，与多个实验室和物种共同构建开放共享的视网膜模型。
合作与人才培养 实验室与 Open Athena 密切合作。博士生可通过 IMPRS-IS 和 ELLIS 加入。实验室公开出版其基准、代码和数据。目前正在招募博士生、博士后和研究工程师。
适用场景与限制 该实验室主要面向学术研究与前沿探索，适合关注 AI 智能体持续学习、递归自我改进、AI 评估基准以及神经科学基础模型的研究人员、学生和合作者。其成果以开放基准、代码和数据形式发布，可供学术社区使用。需要注意的是，该实验室为学术非营利研究组，不提供商业产品或服务；关于具体收费、价格、平台支持等信息，资料中暂未提供。
